A deep-learning model based on histological images predicts survival and pathological response to neoadjuvant chemotherapy and chemoimmunotherapy in breast cancer

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel in einer winzigen, geschäftigen Stadt zu lösen. In dieser Stadt, die ein menschlicher Körper ist, bestehen die Straßen aus Zellen. Manchmal bildet eine Gruppe von Zellen eine abtrünstige Gemeinschaft und baut ein chaotisches, gefährliches Viertel namens Tumor. Jahrzehntelang mussten Ärzte raten, wie sich dieses Viertel verhalten wird: Wird es klein bleiben? Wird es sich ausbreiten? Wird es auf Medizin hören? Um das herauszufinden, nehmen sie normalerweise ein winziges Stück der Stadt, färben es mit violetten und rosa Farbstoffen ein (ein Prozess, der als H&E-Färbung bezeichnet wird) und betrachten es unter einem Mikroskop. Es ist, als würde man eine verschwommene Karte betrachten, um das Wetter vorherzusagen.

Kürzlich entdeckten Wissenschaftler einen besseren Weg, die Karte zu lesen: Sie können das „Flüstern“ der Zellen messen. Indem sie den genetischen Code (die DNA-Anweisungen) innerhalb der Zellen betrachten, können sie zählen, wie viele „Soldaten“-Zellen (Immunzellen) in der Nähe Versteck halten. Wenn es viele Soldaten gibt, ist der Körper bereit zu kämpfen, und der Tumor wird unter Behandlung wahrscheinlich schrumpfen. Dies wird als „Genexpression-Signatur“ bezeichnet. Es ist ein mächtiges Werkzeug, aber es ist teuer, langsam und erfordert eine spezielle Ausrüstung, die nicht jedes Krankenhaus besitzt. Es ist, als bräuchte man einen Supercomputer, nur um das Wetter zu prüfen. Also wurde die große Frage für Wissenschaftler: Können wir die alte, einfache, violett-rosa Karte nutzen und ein superintelligentes Computergehirn (Künstliche Intelligenz) verwenden, um genau vorherzusagen, was der teure Gentest sagen würde? Wenn wir das könnten, könnten wir die Zukunft des Krebses vorhersagen, ohne die hohen Kosten oder die Wartezeit.

Genau das wollte das Team unter der Leitung von François Bertucci erreichen. Sie entwickelten einen digitalen Detektiv, ein KI-Modell namens „AI-ICR“, das darauf trainiert wurde, routinemäßige Mikroskop-Objektträger von Brustkrebs zu betrachten und die Anzahl der „Soldaten“-Gene vorherzusagen, ohne jemals einen Gentest durchführen zu müssen.

So trainierten sie ihren digitalen Detektiv. Zuerst lehrten sie ihn nicht nur etwas über Brustkrebs; sie lehrten ihn über zehn verschiedene Arten von Krebs, einschließlich Lungen-, Haut- und Darmkrebs. Sie nutzten eine riesige Bibliothek von 2.881 Mikroskop-Objektträgern aus dem Cancer Genome Atlas (TCGA), gepaart mit den tatsächlichen genetischen Testergebnissen für jeden einzelnen. Die KI lernte, die visuellen Muster in den violetten und rosa Färbungen zu erkennen, die mit dem Vorhandensein jener „Soldaten“-Gene übereinstimmten. Denken Sie daran, wie man einem Kind beibringt, eine Gewitterwolke an ihrer Form und Farbe zu erkennen, selbst wenn es noch nie den Regen gesehen hat. Sobald die KI ein Meister darin war, testete das Team sie an einer neuen Gruppe von 1.087 Brustkrebspatienten aus derselben Bibliothek. Das Ergebnis? Die KI war unglaublich genau. Sie errat den „Soldaten“-Status zu 93,7 % der Zeit korrekt – ein Wert, der so nah an der Perfektion liegt, wie es ein Computer in diesem Bereich sein kann.

Aber zu wissen, wie der Status ist, ist nur die halbe Miete; die eigentliche Frage lautet: Hilft dies Ärzten, Leben zu retten? Das Team fand heraus, dass die Antwort ein klares Ja ist. Sie entdeckten, dass Patienten, deren Tumore als „AI-ICR-hoch“ markiert wurden (was bedeutet, dass die KI viele Soldaten sah), eine viel bessere Überlebenschance hatten. Tatsächlich war die Sterblichkeit bei diesen Patienten weniger als ein Drittel so hoch wie bei den Patienten mit „AI-ICR-niedrig“-Tumoren. Es ist wie eine Wettervorhersage, die Ihnen sagt: „Sie befinden sich in einer sicheren Zone“, im Gegensatz zu: „Sie befinden sich in einem Sturm“.

Der aufregendste Teil der Geschichte betrifft die Behandlung. Das Team untersuchte Patienten, die eine „neoadjuvante“ Therapie erhielten, was bedeutet, dass sie Chemotherapie (und manchmal Immuntherapie) vor der Operation bekamen, um den Tumor zu verkleinern. Sie wollten sehen, ob die KI vorhersagen konnte, wer eine „pathologische komplette Remission“ (pCR) erreichen würde. Dies ist der „Heilige Gral“ der Behandlung: wenn die Operation stattfindet und die Ärzte absolut keinen Krebs mehr zurücklassen finden.

Das AI-ICR-Modell war ein Kristallball. In der Gruppe von Patienten, die eine Standard-Chemotherapie erhielten, hatten jene mit „AI-ICR-hoch“-Tumoren eine Chance von 65 %, nach der Operation keinen Krebs mehr zu haben, verglichen mit nur 30 % in der „niedrig“-Gruppe. Aber die Magie geschah wirklich, als sie die Immuntherapie (Medikamente, die die Soldaten aufwecken) hinzufügten. In dieser Gruppe hatten die „AI-ICR-hoch“-Patienten eine unglaubliche Erfolgsquote von 81 %, keinen Krebs mehr zu haben, während die „niedrig“-Gruppe nur 36 % erreichte. Die KI sagte nicht nur voraus, wer überleben würde; sie sagte voraus, wer am wahrscheinlichsten eine vollständige Reaktion auf die Behandlung zeigen würde.

Die Wissenschaftler schauten auch unter die Motorhaube, um zu sehen, warum die KI so gut war. Sie überprüften die genetischen Daten der Tumore, die die KI als „hoch“ einstufte, und fanden heraus, dass diese tatsächlich voll von Immun-Genen und aktiven Soldaten-Zellen waren. Die KI rät nicht nur; sie sieht die biologische Realität, die in den Farben des Objektträgers verborgen liegt.

Die Autoren sind jedoch vorsichtig darauf hinzuweisen, dass dies kein fertiges Produkt ist, das morgen in jedem Krankenhaus einsatzbereit ist. Sie geben zu, dass ihre Studie einige Grenzen hatte. Die „AI-ICR-hoch“-Gruppe neigte dazu, Tumore zu haben, die bereits als aggressiv bekannt waren (wie der triple-negative Brustkrebs), was ein etwas gemischtes Bild ergibt: Die KI identifizierte sie korrekt als hochriskant, identifizierte aber auch korrekt, dass sie diejenigen waren, die am wahrscheinlichsten auf die starken immunverstärkenden Medikamente ansprechen würden. Die Studie stützte sich zudem auf eine Mischung aus alten und neuen Objekttyp-Arten, und das Team stellt fest, dass zukünftige Arbeiten die Ergebnisse in noch größeren Gruppen von Menschen und mit anderen Arten von Gewebeproben bestätigen müssen.

Am Ende legt diese Arbeit eine aufregende Möglichkeit nahe: Wir könnten bald in der Lage sein, einen einfachen, günstigen Mikroskop-Objektträger und einen smarten Computer zu nutzen, um uns genau zu sagen, wie ein Brustkrebs verlaufen wird und welche Medikamente am besten wirken werden. Dies verwandelt einen komplexen, teuren Gentest in etwas so Einfaches wie das Betrachten eines Bildes und macht Präzisionsmedizin potenziell für alle zugänglich, nicht nur für die wenigen Glücklichen mit Zugang zu Hightech-Laboren. Die KI hat nicht nur die Karte gelesen; sie hat gelernt, den Sturm vorherzusagen, bevor der erste Regentropfen fällt.